ElevenLabs

ElevenLabs ist eine cloudbasierte Plattform für generative Sprache, Audio und dialogfähige Sprachagenten. Sie verbindet Text-to-Speech, Voice Cloning, Voice Design, Speech-to-Text, Dubbing, Voice Changer, Stimmenisolierung, Soundeffekte, KI-Musik und Studio-Workflows mit einer Entwickler-API und ElevenAgents. Dadurch eignet sich der Dienst sowohl für klassische Voiceovers und Lokalisierung als auch für automatisierte Sprachassistenten auf Webseiten, in Apps oder am Telefon. Die Kernidee ist, gesprochene Inhalte ohne klassische Aufnahmeproduktion schneller zu erzeugen, zu bearbeiten, zu übersetzen oder in eigene Anwendungen einzubauen.

Bei Text-to-Speech wird Text eingegeben, eine Stimme und ein Modell ausgewählt und anschließend eine Audiodatei erzeugt. ElevenLabs bietet mehrere Modelle für unterschiedliche Anforderungen. Eleven v3 ist auf besonders ausdrucksstarke Sprache und Dialoge mit mehreren Sprechern ausgelegt und unterstützt mehr als 70 Sprachen, arbeitet aber variabler und ist nicht für jeden Echtzeitfall die erste Wahl. Multilingual v2 ist auf stabile längere Ausgaben ausgelegt, während Flash v2.5 geringere Latenz und größere Texteingaben unterstützt. Über Einstellungen lassen sich unter anderem Stabilität und Ähnlichkeit der Stimme beeinflussen. Die Plattform verarbeitet Text direkt im Browser, kann Sprachdaten streamen und stellt dieselben Grundfunktionen auch über die API bereit.

Für Stimmen gibt es mehrere Wege. Voice Design erzeugt neue Stimmen aus einer Beschreibung, Instant Voice Cloning erstellt schnell einen Klon aus Sprachmaterial und Professional Voice Cloning zielt auf eine höhere Ähnlichkeit und konsistentere Ergebnisse. Für professionelle Klone gelten strengere Verifizierungs- und Eigentumsregeln; fremde Stimmen dürfen nicht einfach ohne erforderliche Rechte übernommen werden. Zusätzlich gibt es eine Voice Library mit vielen von Nutzern freigegebenen Stimmen. Gespeicherte Community-Stimmen belegen nach aktueller Dokumentation keine eigenen Voice-Slots. Die Zahl eigener Stimmenplätze hängt vom Tarif ab. Im Free-Tarif stehen drei Plätze für eigene Stimmen zur Verfügung, während höhere Tarife deutlich größere Kontingente bieten.

Speech-to-Text wird über das Scribe-Modell angeboten. Scribe v2 transkribiert Audio in mehr als 90 Sprachen und liefert Wort-Zeitstempel, Sprechertrennung und Audio-Tags. Bis zu 32 Sprecher können unterschieden werden. Für fachliche Begriffe kann Keyterm Prompting genutzt werden, und die API bietet zusätzliche Funktionen wie Entity Detection. Scribe v2 Realtime verarbeitet Sprache mit geringer Verzögerung und eignet sich für Live-Untertitel, Besprechungen oder Sprachagenten. Für längere Dateien und automatisierte Abläufe stehen asynchrone Verarbeitung, Webhooks und weitere API-Optionen zur Verfügung. Damit deckt ElevenLabs nicht nur Sprachsynthese, sondern auch die Gegenrichtung von Sprache zu Text ab.

Dubbing übersetzt und synchronisiert Audio- oder Videoinhalte in mehr als 90 Sprachen. Ein Projekt kann aus einer hochgeladenen Datei oder aus unterstützten Online-Quellen entstehen. Das System erkennt Sprecher, erzeugt die Übersetzung und versucht, Stimmcharakter und Hintergrundton zu erhalten. Dubbing v2 arbeitet weitgehend automatisch. Für ältere beziehungsweise manuell bearbeitbare Projekte existiert Dubbing Studio auf Basis des Legacy-Workflows; dieser Bereich befindet sich laut aktueller Dokumentation im Wartungsmodus und erhält vor allem kritische Fehlerkorrekturen. Exporte können je nach Projekt als Audio, Untertitel oder professionelle Produktionsdateien erfolgen. Für größere Produktionen bietet ElevenLabs zusätzlich betreute Lokalisierungsleistungen an.

Neben Sprache umfasst ElevenCreative weitere Medienfunktionen. Voice Changer überträgt den Vortrag einer Aufnahme auf eine andere Stimme, während Voice Isolator Sprache aus störenden Hintergrundgeräuschen herauslösen kann. Voice Remixing verändert bei berechtigten Stimmen Merkmale wie Akzent, Stil, Tempo oder Audioqualität per Textanweisung und erzeugt dabei eine neue Variante, ohne die Ausgangsstimme zu überschreiben. Sound Effects erzeugt Geräusche aus Textbeschreibungen und unterstützt unter anderem steuerbare Dauer und Loop-fähige Ausgaben. Eleven Music erstellt Musik aus Prompts und kann abhängig vom Workflow Gesang, Instrumentalteile oder überarbeitete Passagen erzeugen. Image & Video erzeugt und bearbeitet Bilder und Videos aus Text oder Referenzmedien, unterstützt Nachbearbeitung wie Upscaling und Lip-Sync und befindet sich weiterhin in der Beta-Phase. Im Free-Tarif sind dort nur drei Bildanfragen pro Tag möglich, Videoerzeugung benötigt einen Bezahlplan und der API-Zugriff mindestens Pro. ElevenCreative Flows verbindet Bild-, Video-, Sprach-, Musik- und Soundmodelle in einem visuellen, knotenbasierten Ablauf; dieser Bereich ist aktuell noch als Alpha gekennzeichnet. Für kommerzielle Nutzung müssen deshalb die jeweils gültigen Lizenzbedingungen des verwendeten Produkts und Modells geprüft werden.

Studio ist für längere Produktionen gedacht. Dort lassen sich umfangreiche Texte und Audioinhalte in Projekten strukturieren, Stimmen zuweisen und Ausspracheprobleme mit Wörterbüchern oder Regeln bearbeiten. Beim Free-Limit widersprechen sich die aktuellen offiziellen Seiten: Die Preisübersicht nennt drei Studio-Projekte, die Studio-Hilfe fünf; Starter wird in beiden mit zwanzig Projekten geführt. Deshalb sollte das Free-Projektlimit vor einer konkreten Planung erneut geprüft werden. Studio selbst ist auch kostenlos verfügbar; einzelne Funktionen wie bestimmte Podcast-Workflows benötigen jedoch einen Bezahlplan. Für lange Inhalte ist außerdem wichtig, dass einzelne Text-to-Speech-Anfragen je nach Modell Zeichenlimits besitzen. Sehr lange Bücher, Kurse oder Skripte müssen daher in passende Abschnitte aufgeteilt oder über Studio organisiert werden.

ElevenAgents richtet sich an Sprachassistenten, die nicht nur sprechen, sondern Gespräche führen und Aktionen auslösen sollen. Ein Agent erhält eine Stimme, einen Systemprompt und bei Bedarf eine Wissensbasis. Für Antworten können verschiedene Sprachmodelle oder eigene OpenAI-kompatible Endpunkte eingebunden werden. Werkzeuge erlauben API-Aufrufe, interne Aktionen und Verbindungen über MCP. Agenten können auf Webseiten, in eigenen Apps und über Telefonie bereitgestellt werden. Unterstützt werden unter anderem SIP, Twilio und ausgehende oder eingehende Telefonate. Zusätzlich lässt sich ein WhatsApp-Business-Konto anbinden; Agents können dort Textnachrichten, Sprachnachrichten, Medien und ein- oder ausgehende Anrufe verarbeiten, wobei einzelne WhatsApp-Funktionen weiterhin Grenzen haben. Batch Calling ermöglicht größere Kontaktlisten und geplante Kampagnen. Gesprächsverläufe, Latenz, Kosten und Erfolgsmetriken lassen sich anschließend analysieren; Tests und A/B-Experimente helfen bei der Optimierung.

ElevenLabs bietet zusätzlich Reception by ElevenAgents als getrennt kalkulierten KI-Rezeptionisten für kleine und mittlere Unternehmen an. Dieser Dienst kann Anrufe beantworten, Termine buchen und Geschäftsinformationen aus einer Wissensbasis nutzen. Die dort angebotene kostenlose Testphase gehört zu Reception und darf nicht als allgemeine Testphase der ElevenLabs-Hauptplattform verstanden werden; für die hier dargestellte Hauptplattform bleibt daher „Keine Testphase“ korrekt.

Für Entwickler ist ElevenLabs über REST-APIs und SDKs zugänglich. Text-to-Speech, Speech-to-Text, Dubbing, Soundeffekte, Stimmen und Agents lassen sich in eigene Produkte einbauen. WebSockets unterstützen Echtzeitanwendungen, Webhooks melden abgeschlossene Vorgänge oder Gesprächsdaten an andere Systeme. Für Agents existieren zusätzliche SDKs und eine Kommandozeile. Die API bietet verschiedene Audioformate, darunter MP3, PCM, μ-law, A-law und Opus. Forced Alignment kann vorhandenen Text mit einer Aufnahme abgleichen und exakte Zeitmarken für Wörter und Zeichen liefern, etwa für Untertitel oder Hörbücher. Höhere Audioqualitäten sind teilweise an bezahlte Tarife gebunden. Diese breite technische Oberfläche macht ElevenLabs für SaaS-Produkte, Spiele, Supportsysteme und eigene Voice-Anwendungen interessant, erhöht aber zugleich den Einrichtungsaufwand gegenüber einer reinen Browser-Nutzung.

Die Hauptplattform läuft als Web-App und Cloud-Dienst. Zusätzlich gibt es offizielle Apps für iPhone, iPad und Android. Die mobilen Apps greifen auf denselben ElevenLabs-Account zu und können vorhandene Stimmen und Historien synchronisieren, decken jedoch nicht zwingend jede Webfunktion ab. Einige aufwendigere Funktionen werden weiterhin im Browser beziehungsweise in der Webplattform verwaltet. Die aktuelle iOS-App nennt Deutsch, Arabisch, Englisch, Französisch, Hindi, Italienisch, Kroatisch, Polnisch, Portugiesisch und Spanisch als Oberflächensprachen. Für die erzeugten beziehungsweise verarbeiteten Inhalte ist die Sprachabdeckung deutlich größer: aktuelle Speech-to-Text- und Dubbing-Funktionen unterstützen mehr als 90 Sprachen, während Text-to-Speech je nach Modell unterschiedliche Sprachlisten besitzt.

Beim Preis arbeitet ElevenLabs mit einem dauerhaften Free-Tarif, mehreren Monats- oder Jahresabos und zusätzlichen Nutzungsoptionen. Die deutsche Preisansicht zeigt den Free-Tarif mit 0 US-Dollar und 10.000 Credits pro Monat, Starter mit 6 US-Dollar, Creator regulär mit 22 US-Dollar, Pro mit 99 US-Dollar, Scale mit 299 US-Dollar und Business mit 990 US-Dollar pro Monat. Enterprise wird individuell angeboten. Der zeitweise niedrigere Creator-Preis für den ersten Monat ist ein Aktionspreis und sollte nicht als regulärer Einstiegspreis gespeichert werden. Bei Jahreszahlung werden nach aktueller Preislogik zehn Monatsbeträge für zwölf Monate berechnet. Angezeigte Preise verstehen sich ohne Steuern, Abgaben und ähnliche Zusatzkosten.

Credits bilden einen gemeinsamen monatlichen Nutzungspool für mehrere Produkte. Text-to-Speech, Transkription, Musik, Soundeffekte, Voice Changer, Stimmenisolierung und Dubbing verbrauchen unterschiedliche Mengen. Deshalb sagt die reine Zahl der Credits allein wenig über die tatsächlich mögliche Produktionsmenge aus. Bei bezahlten Abos können ungenutzte Credits unter den aktuellen Regeln begrenzt in spätere Abrechnungsperioden übertragen werden; beim Free-Tarif gibt es diesen Rollover nicht. Downgrade oder Kündigung kann dazu führen, dass nicht genutzte bezahlte Credits am Ende des Abrechnungszyklus verfallen. Neue Self-Service-Konten nutzen für zusätzliche Nutzung inzwischen Pay As You Go statt der früheren klassischen Usage-Based-Billing-Funktion. Wer häufig neu generiert, sollte den Credit-Verbrauch im Blick behalten.

Eine allgemeine zeitlich begrenzte Testphase ist nicht bestätigt. Der Free-Tarif ist stattdessen dauerhaft verfügbar und eignet sich zum Kennenlernen, ist aber lizenzrechtlich eingeschränkt. Inhalte aus dem Free-Tarif besitzen keine allgemeine kommerzielle Lizenz und benötigen bei Veröffentlichung außerhalb bestimmter Sonderfälle eine Kennzeichnung nach den Vorgaben von ElevenLabs. Bezahlte Standardtarife enthalten grundsätzlich kommerzielle Nutzungsrechte für während des aktiven Abos erzeugte Inhalte, sofern die erforderlichen Rechte an Eingaben und Stimmen vorliegen und keine abweichenden Beta-Bedingungen gelten. Bereits während eines bezahlten Abos rechtmäßig erzeugte Inhalte dürfen nach der aktuellen Hilfedokumentation auch nach Ende des Abos kommerziell weiterverwendet werden.

Datenschutz und Datenhaltung hängen stark vom Tarif und vom verwendeten Workflow ab. Standardmäßig werden Kundendaten nach der aktuellen Dokumentation in den USA gespeichert. Enterprise-Kunden können isolierte Umgebungen mit Datenresidenz unter anderem in der EU nutzen. Eine gewählte Speicherregion bedeutet jedoch nicht automatisch, dass jede Verarbeitung ausschließlich dort stattfindet; Support, Moderation, Unterauftragnehmer oder optionale Integrationen können zusätzliche Datenflüsse verursachen. Zero Retention Mode ist eine Enterprise-Option für geeignete API-Workflows und sorgt dafür, dass die meisten Anfrage- und Antwortdaten nach der Verarbeitung unmittelbar gelöscht werden. Web-UI- und Playground-Verkehr fällt nicht pauschal unter diesen Modus.

Für die Modellverbesserung verwendet ElevenLabs bei normalen Konten bestimmte eingereichte Daten, sofern dies nicht in den Einstellungen deaktiviert wird. Nutzer können unter den Datenschutz- und Nutzungsoptionen die Einstellung zur Modellverbesserung ausschalten; neue danach eingereichte Daten sollen dann nicht mehr zu diesem Zweck verwendet werden. Enterprise-Daten werden standardmäßig nicht zum allgemeinen Modelltraining genutzt. Bei ElevenAgents beträgt die voreingestellte Aufbewahrungszeit für Gesprächsdaten zwei Jahre, kann aber angepasst werden. Audioaufnahmen lassen sich ebenfalls deaktivieren. Unternehmen mit sensiblen Daten sollten deshalb nicht nur eine allgemeine Datenschutzseite lesen, sondern Datenresidenz, Retention, ZRM, DPA, Unterauftragnehmer und eingesetzte Integrationen für den konkreten Ablauf prüfen.

Öffentliche Nutzerbewertungen zeigen ein gemischtes, aber insgesamt starkes Bild. Die offizielle Android-App besitzt mit Abstand den größten sichtbaren Bewertungsbestand und liegt aktuell bei rund 4,7 von 5 Sternen. G2 fällt mit 4,5 von 5 ebenfalls positiv aus; häufig gelobt werden dort realistische Stimmen, einfache Bedienung und Geschwindigkeit. Trustpilot liegt deutlich niedriger und enthält wiederkehrende Kritik an Credits, Preisen, Supporterfahrungen und schwankenden Ergebnissen. Solche Plattformunterschiede sollten nicht zu einer einzigen Gesamtnote zusammengezogen werden. Für die Entscheidung ist wichtiger, welche Kritik zum eigenen Einsatz passt: Wer häufig regeneriert oder lange Inhalte produziert, sollte Kosten und Konsistenz besonders testen; für Entwickler sind zusätzlich Latenz, API-Limits und Datenschutz entscheidend.

Als Alternativen kommen je nach Schwerpunkt unterschiedliche Dienste infrage. Murf AI und Speechify Studio sind stärker auf klassische Voiceover- und Creator-Workflows ausgerichtet, PlayHT und Resemble AI decken ebenfalls Sprachsynthese und Voice Cloning ab. Descript kombiniert Transkription stärker mit Audio- und Videobearbeitung, während HeyGen seinen Schwerpunkt auf KI-Video, Avatare und Videoübersetzung legt. Für Entwickler mit Fokus auf Speech-to-Text oder Echtzeit-Sprachsysteme sind Deepgram und andere spezialisierte APIs interessant. ElevenLabs ist besonders dann attraktiv, wenn mehrere Bereiche wie TTS, Dubbing, Transkription, Voice Cloning und Voice Agents in einer Plattform verbunden werden sollen; wer nur eine einzelne Spezialfunktion benötigt, findet bei spezialisierten Anbietern teilweise einfachere oder anders kalkulierte Lösungen.